심층 신경망을 활용한 금융 수익률의 확률 분포 예측

초록

본 연구는 금융 수익률의 확률 분포 예측을 위해 심층 신경망을 평가합니다. 1차원 합성곱 신경망(CNN)과 장단기 메모리(LSTM) 아키텍처를 사용하여 정규 분포, 스튜던트 t 분포, 그리고 비대칭 스튜던트 t 분포의 매개변수를 예측합니다. 맞춤형 음의 로그 가능도 손실 함수를 사용하여 분포 매개변수를 직접 최적화합니다. 모델은 S&P 500, BOVESPA, DAX, WIG, 닛케이 225, 코스피 등 6개의 주요 주가지수에 대해 로그 예측 점수(LPS), 연속 순위 확률 점수(CRPS), 그리고 확률 적분 변환(PIT)을 포함한 확률적 평가 지표를 사용하여 테스트되었습니다. 결과는 심층 학습 모델이 정확한 분포 예측을 제공하며, VaR(Value-at-Risk) 추정을 위한 전통적인 GARCH 모델과 경쟁적으로 성능을 발휘함을 보여줍니다. 특히 비대칭 스튜던트 t 분포를 사용한 LSTM 모델이 여러 평가 기준에서 가장 우수한 성능을 보이며, 금융 수익률의 두꺼운 꼬리와 비대칭성을 효과적으로 포착합니다. 이 연구는 심층 신경망이 전통적인 계량 경제학 모델을 대체할 수 있는 금융 위험 평가 및 포트폴리오 관리의 실용적인 대안임을 입증합니다.

English

This study evaluates deep neural networks for forecasting probability distributions of financial returns. 1D convolutional neural networks (CNN) and Long Short-Term Memory (LSTM) architectures are used to forecast parameters of three probability distributions: Normal, Student's t, and skewed Student's t. Using custom negative log-likelihood loss functions, distribution parameters are optimized directly. The models are tested on six major equity indices (S\&P 500, BOVESPA, DAX, WIG, Nikkei 225, and KOSPI) using probabilistic evaluation metrics including Log Predictive Score (LPS), Continuous Ranked Probability Score (CRPS), and Probability Integral Transform (PIT). Results show that deep learning models provide accurate distributional forecasts and perform competitively with classical GARCH models for Value-at-Risk estimation. The LSTM with skewed Student's t distribution performs best across multiple evaluation criteria, capturing both heavy tails and asymmetry in financial returns. This work shows that deep neural networks are viable alternatives to traditional econometric models for financial risk assessment and portfolio management.

심층 신경망을 활용한 금융 수익률의 확률 분포 예측

Forecasting Probability Distributions of Financial Returns with Deep Neural Networks

초록

Support